La programmazione probabilistica consente agli utenti di esprimere i propri modelli in modo più dichiarativo, rendendo il codice più leggibile e gestibile. Ecco un esempio:

```pitone

importa Numpy come np

importa pymc3 come pm

Definire il modello

modello =pm.Modello()

Definire le variabili

x =pm.Normale("x", mu=0, sd=1)

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

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

Definire le osservazioni

osservazioni =np.array([1, 2, 3])

Adatta il modello alle osservazioni

traccia =modello.sample(disegni=1000, catene=4)

Stampa i risultati

stampa(traccia)

```

Questo codice definisce un modello probabilistico semplice con tre variabili, "x", "y" e "z". Le variabili "x" e "y" sono definite come variabili casuali indipendenti normalmente distribuite e "z" è definita come la somma di "x" e "y". Il modello viene quindi adattato a tre osservazioni utilizzando il campionamento della catena di Markov Monte Carlo (MCMC) e i risultati vengono stampati.

Questo codice è molto più conciso rispetto agli approcci di programmazione tradizionali per i modelli statistici, che comporterebbe la scrittura manuale della funzione di verosimiglianza e dell'algoritmo di campionamento MCMC. La programmazione probabilistica rende più semplice scrivere modelli statistici complessi e concentrarsi sull'attività di modellazione piuttosto che sui dettagli di implementazione.