En los últimos años, la Red de Lógica de Markov (MLN) ha surgido como una herramienta poderosa para la inferencia basada en el conocimiento debido a su capacidad para combinar la inferencia de lógica de primer orden y el razonamiento probabilístico. Desafortunadamente, las soluciones actuales de MLN no pueden soportar de manera eficiente la inferencia de conocimiento que involucra expresiones aritméticas, lo cual es necesario para modelar la interacción entre relaciones lógicas y valores numéricos en muchas aplicaciones reales. En este artículo, proponemos un marco de inferencia probabilística, llamado la Red de Lógica de Markov Numérica (NMLN), para permitir una inferencia eficiente de conocimiento híbrido que involucra tanto expresiones lógicas como aritméticas. Primero introducimos las reglas de conocimiento híbrido, luego definimos un modelo de inferencia y, finalmente, presentamos una técnica basada en optimización convexa para una inferencia eficiente. Basado en una función de pérdida exp-descomponible, el modelo de inferencia propuesto puede procesar las reglas de conocimiento híbrido de manera más efectiva y eficiente que los enfoques existentes de MLN. Finalmente, evaluamos empíricamente el rendimiento del enfoque propuesto en datos reales. Nuestros experimentos muestran que, en comparación con la solución MLN de última generación, puede lograr una mejor precisión de predicción mientras reduce significativamente el tiempo de inferencia.