choix automatique d'un niveau de quantile

Bonjour à tous,

On utilise souvent des quantiles comme indicateurs robustes de localisation. Néanmoins, le choix du niveau de quantile est le plus souvent fixé arbitrairement, a priori (i.e 1,5, 25, 50% etc).

Voyez-vous un moyen, pour une distribution donnée (arbitraire), de choisir un niveau quantile intelligent. Parmi les pistes de réflexion que j'envisage:
- cassure de la pente de la densité
- entropie de la distribution tronquée

Avez vous déjà rencontré de tels choix automatiques ? avez vous des idées sur le sujet ?
Merci d'avance

Pour de la description je vois pas le problème de les choisir arbitrairement, et si il y'a un point précis à mettre en évidence autant montrer toute la distribution plutôt que de la résumer par des quantiles.

Dans un cadre supervisé on peut discrétiser les variables quanti pour optimiser les performance du learner. (ex algo MDLPC)
Ça peut être utile d'y associer les quantiles pour interpréter un arbre par exemple.

Bonjour FS, et merci de la réponse.

A titre d'illustration, pour une distribution multimodale, je choisirais les extrema locaux de la densité, de sorte que les classes de la variable discrétisée soient les plus homogène possible (ou encore de sorte que l'erreur de clustering soit minimale en cas de données bruitées ou arrondies).

Je me demande comment étendre cette idée aux lois unimodale.