########################################################################

# 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 )

########################################################################