########################################################################
# Beta-Discrete prior
########################################################################
model
{
y ~ dbin(p, n) # likelihood
p
<- vp[x]
# p = vp[x], vp is a
10x1 vector for p
x ~ dcat(fprior[]) # x follows categorical dist where
# Pr(x=i) = fprior[i] for i=1,...,10
for(i in 1:10)
{
fprior[i] <- w[i]/sum(w[]) # prior prob
for x=i (p=pval[i])
vp[i] <-
0.05+0.1*(i-1) # possible
values for p
x.prob[i] <- equals(x, i)
# If x=i, then x.prob[i]=1
}
pr.ge.half
<- step(p-0.5) # estimate Posterior Pr(p > 0.5| y)
#
y.pred~dbin(p,
20) # predictive
distribution
}
# Data
list( n = 27, y =
11, w = c(1, 5.2, 8, 7.2, 4.6, 2.1,
0.7, 0.1, 0, 0) )
# Initial va;ues
list( x = 4, y.pred =5 )
########################################################################