variable alpha is not defined in model or data set.

is.not <- apply( CH, 1, function(x) {
  # si de 1:11 el num de NAs es cero, pon 11
  ifelse( length((1:11)[is.na(x)]) == 0,
          11,
          # si hay NAs, numeralos de 1:11 menos 1
          as.numeric((1:11)[is.na(x)])[1] - 1
  )

} )

is.not <- as.integer(is.not)

model{

    #### Verosimilitud

    for (i in 1:nind){

    ### Definimos el valor de la variable latente en la primera recaptura
    z[i, 1] <- 1        # en el momento de anillamiento sabemos que esta vivo con probabilidad 1
      for (t in 2: is.not[i]){       # t vuelve a ser indicador de posicion, desde despues del anill hasta el total de columns

    ###### State process
        z[i,t] ~ dbern (mu1[i,t])             # esto realmente es Z[i,t+1]|Z[i,t] ~ ber(psi[i,t] * z[i,t])

        mu1[i,t] <- psi[i,t-1] * z[i,t-1]     # t-1 corresponde al valor en la columna anterior para psi. Respecto a z, pone t-1 porque es la manera de expresar la condicionada

    ###### Observation process
        y[i,t] ~ dbern (mu2[i,t])            # esto equivaldria a Y[i,t]|Z[i,t]~ber(z[i,t]p[i,t])

        mu2[i,t] <- eta[i,t-1] * z[i,t]         # La matriz de z esta en el mismo orden que la CH, pero la de p, esta atrasada, ademas de ser de 10 columnas (y no 11), por eso es t-1
      }
    }

    #### Previas y limitaciones

      for(i in 1:nind){

        for (t in 1:(is.not[i]-1)) {        # t es indicador de posicion, desde la columna 1 hasta maximo de 11-1
         psi[i,t] <- alpha[t]   # efectos fijos con respecto al tpo en el estudio
         eta[i,t] <- beta[t]      # efectos fijos con respecto al tpo en el estudio
        }
      }

      for (t in 1:(n.occasions-1)){  # vuelve a ser indicador de posicion

        beta[t] ~ dunif(0,1)     # le damos una previa poco informativa          alpha[t] ~ dunif(0,1)    # le damos una previa poco informativa
      }
    }

known.state.cjs <- function(ch){
  state <- ch
  for (i in 1:dim(ch)[1]){

    n1 <- min(which(ch[i,]==1))         # el primer 1
    n2 <- max(which(ch[i,]==1))         # el ultimo 1
    state[i, n1:n2] <- 1                # sabemos que esta vivo en el tiempo de en medio
    state[i, n1] <- NA                  # en el primer uno ponemos NA xq las variables latentes están en escala de 2 a 10
  }

  state[state==0] <- NA                 # si esta muerto tb pongo un NA, es decir, la matriz sera de 1's y NA's
  return(state)
}

#### Datos

bugs.data <- list(y=CH, is.not=is.not, nind=dim(CH)[1],  n.occasions=dim(CH)[2], z=known.state.cjs(CH)) # todos los datos

##### Funcion para crear valores iniciales para la variable latente z (aqui z es una matriz de ceros, relativos a los ceros reales, y NAs, relativos a los NA reales y a los 1s)

cjs.init.z <- function(ch, is.not){

  for(i in 1: dim(ch)[1]){            # para todo el numero de filas

    if(sum(ch[i,], na.rm=TRUE)==1) next           # si solo hay un 1 (solo se ve en el anillamto) pasa al siguiente paso, le pongo na.rm=true xq tengo NA's y si no no corre
    n2 <- max(which(ch[i,]==1))       # el ultimo 1
    ch[i, 1:n2] <- NA              # donde hay 1's, es decir, sabemos q esta vivo, damos valor inicial de NA
  }

  for (i in 1: dim(ch)[1]){         # tengo que darle unas iniciales a los NAs si no peta
    #if(any(is.na(ch[i,]))==TRUE) { lo quito xq en el calendario esto no lo indica

      ch[i, is.not[i]: n.occasions] <- NA # le doy NAs a cuando no esta el individ en el estudio
    #}
  }
  return(ch)
}



#### Valores iniciales

inits <- function(){list(z=cjs.init.z(CH, is.not), alpha=runif(10,0,1), beta=runif(10,0,1))}