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

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),
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),
n = 27)

[example-9_3_2-dugongs-measurement-error0][example-9_3_2-dugongs-measurement-error1][example-9_3_2-dugongs-measurement-error2]
   node   mean   sd   MC error   2.5%   median   97.5%   start   sample
   alpha   2.677   0.06941   0.001649   2.561   2.671   2.829   1001   50000
   beta   0.9783   0.08888   0.00124   0.8162   0.9745   1.166   1001   50000
   gamma   0.875   0.02599   5.318E-4   0.8157   0.8776   0.9195   1001   50000
   mu[1]   1.827   0.0699   4.962E-4   1.688   1.827   1.964   1001   50000
   mu[2]   1.87   0.07043   4.15E-4   1.729   1.87   2.008   1001   50000
   mu[3]   1.881   0.07   4.048E-4   1.742   1.882   2.017   1001   50000
   mu[4]   1.829   0.073   5.335E-4   1.686   1.828   1.973   1001   50000
   mu[5]   2.001   0.06468   3.245E-4   1.869   2.003   2.123   1001   50000
   mu[6]   2.165   0.05607   3.615E-4   2.05   2.167   2.269   1001   50000
   mu[7]   2.164   0.05711   3.384E-4   2.048   2.165   2.273   1001   50000
   mu[8]   2.202   0.05406   3.525E-4   2.091   2.203   2.303   1001   50000
   mu[9]   2.325   0.04587   3.479E-4   2.23   2.327   2.409   1001   50000
   mu[10]   2.3   0.05029   3.9E-4   2.198   2.3   2.395   1001   50000
   mu[11]   2.335   0.04633   3.685E-4   2.242   2.335   2.423   1001   50000
   mu[12]   2.377   0.04158   3.262E-4   2.292   2.379   2.455   1001   50000
   mu[13]   2.391   0.04076   3.12E-4   2.307   2.393   2.467   1001   50000
   mu[14]   2.394   0.03973   3.003E-4   2.312   2.395   2.468   1001   50000
   mu[15]   2.42   0.03759   2.671E-4   2.342   2.422   2.49   1001   50000
   mu[16]   2.454   0.03571   2.326E-4   2.381   2.455   2.521   1001   50000
   mu[17]   2.454   0.03541   2.435E-4   2.382   2.455   2.521   1001   50000
   mu[18]   2.488   0.03163   1.907E-4   2.423   2.488   2.548   1001   50000
   mu[19]   2.49   0.03098   1.807E-4   2.427   2.491   2.55   1001   50000
   mu[20]   2.525   0.02903   2.034E-4   2.467   2.525   2.581   1001   50000
   mu[21]   2.545   0.0287   2.668E-4   2.488   2.545   2.601   1001   50000
   mu[22]   2.538   0.0285   2.346E-4   2.481   2.538   2.594   1001   50000
   mu[23]   2.559   0.02889   3.303E-4   2.502   2.559   2.615   1001   50000
   mu[24]   2.563   0.02887   3.369E-4   2.506   2.563   2.62   1001   50000
   mu[25]   2.618   0.03747   7.102E-4   2.544   2.619   2.692   1001   50000
   mu[26]   2.649   0.04855   0.001035   2.556   2.648   2.747   1001   50000
   mu[27]   2.656   0.05181   0.001125   2.558   2.655   2.761   1001   50000
   resx[1]   -0.03285   0.5917   0.003768   -1.293   0.01502   0.9141   1001   50000
   resx[2]   0.06939   0.6658   0.004321   -1.304   0.09208   1.275   1001   50000
   resx[3]   -0.03885   0.6792   0.00433   -1.426   -0.02011   1.221   1001   50000
   resx[4]   0.4418   0.6083   0.003986   -0.8752   0.4953   1.412   1001   50000
   resx[5]   -0.2942   0.7379   0.003878   -1.763   -0.29   1.132   1001   50000
   resx[6]   -0.943   0.8117   0.004696   -2.534   -0.9415   0.6376   1001   50000
   resx[7]   0.06991   0.8183   0.004193   -1.575   0.08112   1.636   1001   50000
   resx[8]   -0.5239   0.827   0.004366   -2.143   -0.5204   1.087   1001   50000
   resx[9]   -0.8755   0.8988   0.00526   -2.645   -0.8719   0.8852   1001   50000
   resx[10]   0.6626   0.9254   0.004734   -1.191   0.6792   2.424   1001   50000
   resx[11]   0.4006   0.923   0.004227   -1.446   0.4199   2.158   1001   50000
   resx[12]   -0.1408   0.9185   0.004512   -1.944   -0.1356   1.653   1001   50000
   resx[13]   -0.01732   0.9357   0.004296   -1.885   -0.006942   1.796   1001   50000
   resx[14]   -0.09688   0.9172   0.00402   -1.916   -0.0825   1.673   1001   50000
   resx[15]   -0.3707   0.9305   0.004791   -2.208   -0.366   1.445   1001   50000
   resx[16]   0.4875   0.9968   0.004519   -1.484   0.4937   2.42   1001   50000
   resx[17]   0.4813   0.9922   0.004708   -1.475   0.4923   2.415   1001   50000
   resx[18]   0.1646   0.9796   0.004655   -1.767   0.1719   2.086   1001   50000
   resx[19]   0.05686   0.9595   0.00397   -1.831   0.06347   1.924   1001   50000
   resx[20]   -0.09315   0.9783   0.004608   -2.034   -0.0913   1.817   1001   50000
   resx[21]   -0.2378   0.9778   0.004468   -2.148   -0.2331   1.679   1001   50000
   resx[22]   0.1552   0.9976   0.004687   -1.824   0.1618   2.098   1001   50000
   resx[23]   -0.1577   0.9807   0.004556   -2.081   -0.1529   1.748   1001   50000
   resx[24]   0.0118   0.9828   0.00429   -1.931   0.01596   1.94   1001   50000
   resx[25]   -0.06687   0.9951   0.004305   -2.011   -0.06867   1.891   1001   50000
   resx[26]   -0.02521   0.996   0.004398   -1.975   -0.02161   1.929   1001   50000
   resx[27]   0.02966   0.9988   0.004687   -1.921   0.02928   1.989   1001   50000
   sigma2   0.008374   0.003165   2.783E-5   0.004036   0.007777   0.01622   1001   50000
   z[1]   1.033   0.5917   0.003768   0.08602   0.985   2.293   1001   50000
   z[2]   1.431   0.6658   0.004321   0.225   1.408   2.805   1001   50000
   z[3]   1.539   0.6792   0.00433   0.2792   1.52   2.926   1001   50000
   z[4]   1.058   0.6083   0.003986   0.08852   1.005   2.375   1001   50000
   z[5]   2.794   0.7379   0.003878   1.368   2.79   4.263   1001   50000
   z[6]   4.943   0.8117   0.004696   3.363   4.942   6.534   1001   50000
   z[7]   4.93   0.8183   0.004193   3.364   4.919   6.575   1001   50000
   z[8]   5.524   0.827   0.004366   3.913   5.52   7.143   1001   50000
   z[9]   7.875   0.8988   0.00526   6.116   7.872   9.645   1001   50000
   z[10]   7.337   0.9254   0.004734   5.577   7.321   9.191   1001   50000
   z[11]   8.099   0.923   0.004227   6.342   8.08   9.946   1001   50000
   z[12]   9.141   0.9185   0.004512   7.347   9.136   10.94   1001   50000
   z[13]   9.517   0.9357   0.004296   7.705   9.507   11.39   1001   50000
   z[14]   9.597   0.9172   0.00402   7.828   9.583   11.42   1001   50000
   z[15]   10.37   0.9305   0.004791   8.555   10.37   12.21   1001   50000
   z[16]   11.51   0.9968   0.004519   9.58   11.51   13.48   1001   50000
   z[17]   11.52   0.9922   0.004708   9.585   11.51   13.47   1001   50000
   z[18]   12.84   0.9796   0.004655   10.91   12.83   14.77   1001   50000
   z[19]   12.94   0.9595   0.00397   11.08   12.94   14.83   1001   50000
   z[20]   14.59   0.9783   0.004608   12.68   14.59   16.53   1001   50000
   z[21]   15.74   0.9778   0.004468   13.82   15.73   17.65   1001   50000
   z[22]   15.34   0.9976   0.004687   13.4   15.34   17.32   1001   50000
   z[23]   16.66   0.9807   0.004556   14.75   16.65   18.58   1001   50000
   z[24]   16.99   0.9828   0.00429   15.06   16.98   18.93   1001   50000
   z[25]   22.57   0.9951   0.004305   20.61   22.57   24.51   1001   50000
   z[26]   29.03   0.996   0.004398   27.07   29.02   30.98   1001   50000
   z[27]   31.47   0.9988   0.004687   29.51   31.47   33.42   1001   50000