A redução de dados está se tornando uma área proeminente dado ao crescimento da quantidade de dados que estão sendo gerados a partir de diferentes áreas de conhecimento. Os algoritmos atuais determinam quais instâncias são selecionadas usando medidas de distâncias tradicionais. Além disso, a maioria dos algoritmos é impraticável para alguns problemas devido ao alto custo de processamento para conjuntos de dados com grande número de instâncias. Este trabalho apresenta um novo método para redução de conjunto de dados como uma extensão do método de Difusão Geométrica Markoviana (DGM), que é usado no campo de computação gráfica para simplificação de malhas triangulares. O DGM foi estendido para reduzir conjuntos de dados em geral, preservando os elementos que possuem certas características desejadas. O processo de redução baseia-se na análise probabilística da propagação de calor entre partículas. Aquelas com maior capacidade de reter calor serão as instâncias mais representativas. Além disso, ele captura estruturas não lineares dos dados e possui uma abordagem multiescala quando processa densidades locais. Vários experimentos foram realizados em conjuntos de dados de diferentes tamanhos. Resultados mostraram boa performance em termos de precisão de classificação e qualidade de redução na preservação de informação do método.