Bien que souvent présentés comme des configurations atypiques, la classe des milieux diffusifs représente une grande partie des milieux dans lesquels se propagent des ondes aussi bien électromagnétiques qu'acoustiques. Les grandes cavités étant capables de bien approcher ces mêmes caractéristiques, elles sont largement utilisées dans un contexte métrologique, afin d'émuler un grand nombre de configurations pratiques et d'évaluer certaines propriétés de dispositifs électroniques, acoustiques et optiques. Nous nous intéressons à la modélisation statistique de la propagation d'ondes dans les grandes cavités. La pratique courante de modéliser les champs dans une cavité comme diffus est d'abord analysée, afin de montrer comment cette hypothèse n'est pas réaliste en basse fréquence, et les conséquences qui en découlent. L'importance du recouvrement modal et sa nature aléatoire sont discutées, montrant comment l'hypothèse diffusive ne peut pas être décrite comme une propriété certaine. Dans un deuxième temps nous étudions les applications du retournement temporel aux grandes cavités, ce qui nous amène à l'introduction d'une technique généralisée capable de reproduire des fronts d'ondes cohérents dans un environnement diffusif, typiquement regardé comme uniquement capable de supporter une propagation aléatoire.

This thesis focuses on (1) the statistical methodologies for the estimation of spatial data with outliers and (2) classification accuracy of disease diagnosis. Chapter I, Robust Estimation for Spatial Markov Random Field Models: Markov Random Field (MRF) models are useful in analyzing spatial lattice data collected from semiconductor device fabrication and printed circuit board manufacturing processes or agricultural field trials. When outliers are present in the data, classical parameter estimation techniques (e.g., least squares) can be inefficient and potentially mislead the analyst. This chapter extends the MRF model to accommodate outliers and proposes robust parameter estimation methods such as the robust M- and RA-estimates. Asymptotic distributions of the estimates with differentiable and non-differentiable robustifying function are derived. Extensive simulation studies explore robustness properties of the proposed methods in situations with various amounts of outliers in different patterns. Also provided are studies of analysis of grid data with and without the edge information. Three data sets taken from the literature illustrate advantages of the methods. Chapter II, Extending the Skill Test for Disease Diagnosis: For diagnostic tests, we present an extension to the skill plot introduced by Mozer and Briggs (2003). The method is motivated by diagnostic measures for osteoporosis in a study. By restricting the area under the ROC curve (AUC) according to the skill statistic, we have an improved diagnostic test for practical applications by considering the misclassification costs. We also construct relationships, using the Koziol-Green model and mean-shift model, between the diseased group and the healthy group for improving the skill statistic. Asymptotic properties of the skill statistic are provided. Simulation studies compare the theoretical results and the estimates under various disease rates and misclassification costs. We apply the proposed method in classification of osteoporosis data.