Mengambil turunan mengalikan transformasi dengan s, yang secara efektif memutar grafik magnitudo berlawanan arah jarum jam. Jadi, mungkin komponen frekuensi yang lebih tinggi dalam turunannya. Cara yang lebih ringkas untuk menempatkan ini adalah bahwa derivasi memperkuat konten frekuensi tinggi.
1s + 1
bode(tf(1, [ 1 1 ]))
ss + 1
bode(tf([1 0], [ 1 1 ]))
Turunannya dalam hal ini jelas memiliki komponen frekuensi yang lebih tinggi. Mungkin lebih tepat, ia memiliki komponen frekuensi tinggi yang jauh lebih besar daripada non-derivatif. Seseorang mungkin memilih untuk mengambil sampel sinyal pertama pada 200 rad / detik dengan sedikit percaya diri, karena energinya sangat kecil pada laju nyquist, tetapi aliasing akan menjadi besar jika Anda mengambil sampel turunan pada laju yang sama.
Jadi, itu tergantung pada sifat sinyal. Turunan dari sinusoid akan menjadi sinusoid dengan frekuensi yang sama, tetapi turunan dari band noise terbatas akan memiliki komponen frekuensi yang lebih tinggi daripada noise.
EDIT: Menanggapi downvote, saya akan memalu rumah ini dengan contoh nyata. Biarkan saya mengambil gelombang sinus, dan menambahkan beberapa suara normal acak untuk itu (sepersepuluh besarnya gelombang sinus)
Fft dari sinyal ini adalah:
Sekarang, izinkan saya mengambil turunan dari sinyal:
dan fft dari derivatif
Undersampling akan, tentu saja, alias sinyal atau turunannya. Efek undersampling akan sederhana untuk sinyal, dan hasil undersampling turunannya akan sama sekali tidak berguna.