Un experto humano, cuando se enfrenta a un nuevo caso, combina sus razonamientos lógicos de causa-efecto con su experiencia. Esta manera de razonamiento no se ha propuesto de forma evidente en los Sistemas Expertos (SE). Se ha optado por el Razonamiento Basado en Casos (CBR) para la experiencia y el Razonamiento basado en Reglas de Producción (RP) para la lógica causa-efecto. Las Redes Difusas de Petri (FPN) ofrecen ventajas para el razonamiento en RP con incertidumbre. Aquí averiguaremos si la combinación de ambas estrategias (CBR y FPN) mejora la eficiencia de los SE. Para ello nos propusimos el objetivo de: Diseñar y validar una máquina de inferencia, mediante FPN, que combine el CBR con las RP. En el diseño propusimos: la definición de FPN-Ampliada, la representación de la FPN mediante una Matriz Dispersa, y un algoritmo de inferencia que combina el razonamiento lógico de causa-efecto con la experiencia en forma de casos resueltos.