En aplicaciones industriales, los procesos de toma de decisiones secuenciales óptimas se formulan y optimizan de forma natural dentro de un marco estándar de la teoría de decisiones de Markov. Sin embargo, en la práctica, las decisiones deben tomarse bajo información incompleta e incierta sobre parámetros y probabilidades de transición. Esta situación ocurre cuando un sistema puede sufrir un cambio de régimen que modifica no solo las probabilidades de transición, sino también los costos de control. Después de dicho evento, el efecto de las acciones puede volverse contrario, lo que significa que todas las estrategias deben ser revisadas. Debido a la importancia práctica de este problema, se han sugerido una variedad de métodos, que van desde la incorporación de cambios de régimen en la dinámica de Markov hasta numerosos conceptos que abordan la incertidumbre del modelo. En este trabajo, sugerimos un enfoque pragmático y práctico utilizando una reformulación natural de este problema como un sistema de cambio convexo, lo que permite aplicar algoritmos numéricos eficientes.