model {
for(i in 1:N) {
y[i] ~ dnorm(mu[i], inv.sigma2)
mu[i] <- alpha - beta*pow(gamma, x[i])
}
alpha ~ dunif(0, 100)
beta ~ dunif(0, 100)
gamma ~ dunif(0, 1)
inv.sigma2 <- 1/pow(sigma, 2)
log(sigma) <- log.sigma
log.sigma ~ dunif(-10, 10)
}

Inits:
list(alpha = 3, beta = 2, gamma = 0.9, log.sigma = -5)

Data:
list(x = c(1.0, 1.5, 1.5, 1.5, 2.5, 4.0, 5.0, 5.0, 7.0,
8.0, 8.5, 9.0, 9.5, 9.5, 10.0, 12.0, 12.0, 13.0,
13.0, 14.5, 15.5, 15.5, 16.5, 17.0, 22.5, 29.0, 31.5, 35, 40),
y = c(1.80, 1.85, 1.87, 1.77, 2.02, 2.27, 2.15, 2.26, 2.47,
2.19, 2.26, 2.40, 2.39, 2.41, 2.50, 2.32, 2.32, 2.43,
2.47, 2.56, 2.65, 2.47, 2.64, 2.56, 2.70, 2.72, 2.57, NA, NA),
N = 29)

[example-9_2_1-dugongs-prediction0]
   node   mean   sd   MC error   2.5%   median   97.5%   start   sample
   alpha   2.647   0.06908   0.003293   2.528   2.641   2.798   1001   10000
   beta   0.9706   0.07514   0.001881   0.8241   0.9699   1.119   1001   10000
   gamma   0.8605   0.03191   0.00137   0.788   0.8642   0.913   1001   10000
   mu[1]   1.812   0.0527   0.001215   1.706   1.813   1.911   1001   10000
   mu[2]   1.872   0.04352   8.199E-4   1.786   1.872   1.956   1001   10000
   mu[3]   1.872   0.04352   8.199E-4   1.786   1.872   1.956   1001   10000
   mu[4]   1.872   0.04352   8.199E-4   1.786   1.872   1.956   1001   10000
   mu[5]   1.979   0.03358   5.403E-4   1.913   1.978   2.046   1001   10000
   mu[6]   2.111   0.03153   8.477E-4   2.053   2.11   2.177   1001   10000
   mu[7]   2.183   0.03232   9.835E-4   2.126   2.181   2.253   1001   10000
   mu[8]   2.183   0.03232   9.835E-4   2.126   2.181   2.253   1001   10000
   mu[9]   2.299   0.0319   9.772E-4   2.241   2.297   2.366   1001   10000
   mu[10]   2.345   0.03052   8.782E-4   2.287   2.344   2.407   1001   10000
   mu[11]   2.365   0.02965   8.139E-4   2.309   2.364   2.425   1001   10000
   mu[12]   2.384   0.02873   7.427E-4   2.329   2.384   2.441   1001   10000
   mu[13]   2.402   0.02778   6.672E-4   2.348   2.402   2.457   1001   10000
   mu[14]   2.402   0.02778   6.672E-4   2.348   2.402   2.457   1001   10000
   mu[15]   2.418   0.02685   5.898E-4   2.366   2.418   2.471   1001   10000
   mu[16]   2.473   0.02407   3.455E-4   2.426   2.474   2.52   1001   10000
   mu[17]   2.473   0.02407   3.455E-4   2.426   2.474   2.52   1001   10000
   mu[18]   2.496   0.02364   3.557E-4   2.449   2.496   2.541   1001   10000
   mu[19]   2.496   0.02364   3.557E-4   2.449   2.496   2.541   1001   10000
   mu[20]   2.523   0.02443   5.438E-4   2.474   2.524   2.571   1001   10000
   mu[21]   2.539   0.02579   7.108E-4   2.486   2.539   2.589   1001   10000
   mu[22]   2.539   0.02579   7.108E-4   2.486   2.539   2.589   1001   10000
   mu[23]   2.552   0.02762   8.836E-4   2.496   2.553   2.605   1001   10000
   mu[24]   2.558   0.02866   9.694E-4   2.5   2.559   2.613   1001   10000
   mu[25]   2.604   0.04133   0.00179   2.52   2.604   2.684   1001   10000
   mu[26]   2.628   0.0529   0.002428   2.526   2.627   2.735   1001   10000
   mu[27]   2.633   0.05605   0.002596   2.527   2.631   2.748   1001   10000
   mu[28]   2.638   0.05949   0.002778   2.528   2.635   2.762   1001   10000
   mu[29]   2.642   0.06291   0.002959   2.528   2.638   2.775   1001   10000
   y[28]   2.637   0.1153   0.002654   2.408   2.638   2.865   1001   10000
   y[29]   2.642   0.1179   0.003107   2.413   2.64   2.881   1001   10000