Die Diskretisierung reellwertiger Attribute stellt in vielen maschinellen Lernverfahren eine besondere Problematik dar. In der vorliegenden Arbeit wird ein Diskretisierungsverfahren vorgestellt, das auf gemischten kontinuierlichen Gleichverteilungen von Attributwerten basiert. Für diese spezielle Form der statistischen Verteilung wird gezeigt, dass bei der Anwendung der Entropie-Minimalisierungsheuristik besondere mathematische Eigenschaften gelten: Das in dieser Arbeit vorgestellte und bewiesene Gleichverteilungstheorem der Entropie-Minimalisierungsheuristik steht dabei im Zentrum der Untersuchungen. Neben den rein formalen Aspekten des Gleichverteilungstheorems wird eine wichtige Anwendung des Theorems vorgestellt: die qualitative Wissensextraktion aus multiplen Zeitreihen. Zu diesem Zweck wird ein allgemeiner Ansatz für die zeitreihenbasierte Entscheidungsbauminduktion entwickelt und das Knowledge Discovery System ExtraKT! beschrieben, in dem die hier entwickelten Konzepte exemplarisch umgesetzt worden sind. Hierbei wird gezeigt, wie sich Zeitreihen, denen kontinuierliche Funktionen zugrunde liegen, innerhalb einer Entscheidungsbauminduktion repräsentieren lassen und sich das Gleichverteilungstheorem für diese Problemstellung nutzbringend anwenden lässt. Die vorgestellten Konzepte wurden mit statistischen Untersuchungen evaluiert und im praktischen Einsatz erprobt.