El Departamento de Transporte de Wyoming (WYDOT) inició un proyecto para optimizar las alturas de las barreras que no cumplen con los criterios de diseño de barreras, priorizándolas en función de su capacidad para lograr mayores beneficios monetarios. El daño equivalente solo a la propiedad (EPDO) se utilizó en este estudio para tener en cuenta tanto la frecuencia como la gravedad de los accidentes. Los datos de este tipo se sabe que tienen sobre dispersión, es decir, tienen una varianza mayor que la media. Por lo tanto, se implementó un modelo binomial negativo para abordar el problema de sobre dispersión del conjunto de datos. Otro desafío del conjunto de datos utilizado en este estudio fue la heterogeneidad del mismo. La heterogeneidad de los datos se debió a varios factores, como la agregación de datos en dos sistemas de carreteras y la presencia de dos tipos de barreras en todo el estado. Por lo tanto, no es práctico asignar una jerarquía subjetiva, como un sistema de carreteras o tipos de barreras, para abordar el problema de la heterogeneidad severa en el conjunto de datos. Bajo estas condiciones, se implementó un modelo de mezcla finita (FMM) para encontrar el mejor parámetro de distribución para caracterizar las observaciones. Con esta técnica, una vez identificado el número óptimo de mezclas, se asignaron esos grupos a varias observaciones. Sin embargo, estudios previos mayormente emplearon solo el modelo de mezcla finita (FMM), con diversas distribuciones, para tener en cuenta la heterogeneidad no observada. El problema con el enfoque FMM es que resulta en una pérdida de información: por ejemplo, generaría N número de ecuaciones, donde cada resultado utilizaría solo una parte de todo el conjunto de datos. Por otro lado, algunos estudios utilizaron una jerarquía subjetiva para tener en cuenta la heterogeneidad en el conjunto de datos, como el efecto de la estacionalidad o el sistema de carreteras; sin embargo, esas jerarquías subjetivas podrían no tener en cuenta la heterogeneidad óptima en el conjunto de datos. Por lo tanto, implementamos una nueva metodología, el Modelo de Mezcla Finita Jerárquica Bayesiana (BHFMM) para emplear el FMM sin perder información, al mismo tiempo que se tiene en cuenta la heterogeneidad en el conjunto de datos, considerando jerarquías objetivas e imparciales. Dado que la técnica bayesiana tiene la desventaja de etiquetar las observaciones debido al intercambio de etiquetas; los parámetros del FMM se estimaron mediante la técnica de máxima verosimilitud. Los resultados del modelo identificado se convirtieron en una ecuación para la implementación de técnicas de aprendizaje automático. Las alturas se optimizaron a un valor óptimo y el EPDO se predijo en función de los cambios. Los resultados del análisis de costos y beneficios indicaron que después de gastar alrededor de 4 millones de dólares, el WYDOT no solo recuperaría los gastos, sino que también podría esperar ahorrar más de 4 millones de dólares adicionales a través de la reducción de accidentes de barreras de tráfico.