A programação probabilística permite aos usuários expressar seus modelos de forma mais declarativa, tornando o código mais legível e de fácil manutenção. Aqui está um exemplo:
```píton
importar numpy como np
importar pymc3 como pm

Definir o modelo

modelo =pm.Modelo()

Defina as variáveis

x =pm.Normal("x", mu=0, sd=1)
y =pm.Normal("y", mu=0, sd=1)
z =pm.Normal("z", mu=x + y, sd=1)

Definir as observações

observações =np.array([1, 2, 3])

Ajustar o modelo às observações

trace=model.sample(draws=1000, chains=4)

Imprima os resultados

imprimir (traçar)
```

Este código define um modelo probabilístico simples com três variáveis, `x`, `y` e `z`. As variáveis ​​`x` e `y` são definidas como variáveis ​​​​aleatórias independentes normalmente distribuídas, e `z` é definido como a soma de `x` e `y`. O modelo é então ajustado a três observações usando a amostragem da cadeia de Markov Monte Carlo (MCMC) e os resultados são impressos.

Este código é muito mais conciso do que as abordagens tradicionais de programação para modelos estatísticos, que envolveriam escrever manualmente a função de verossimilhança e o algoritmo de amostragem MCMC. A programação probabilística torna mais fácil escrever modelos estatísticos complexos e focar na tarefa de modelagem em vez dos detalhes de implementação.