La programación probabilística permite a los usuarios expresar sus modelos de una manera más declarativa, haciendo que el código sea más legible y fácil de mantener. He aquí un ejemplo:

```pitón

importar numpy como np

importar pymc3 como pm

Definir el modelo

modelo =pm.Modelo()

Definir las variables

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 las observaciones

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

Ajustar el modelo a las observaciones

trace =model.sample(sorteos=1000, cadenas=4)

Imprimir los resultados

imprimir (rastro)

```

Este código define un modelo probabilístico simple con tres variables, `x`, `y` y `z`. Las variables `x` e `y` se definen como variables aleatorias independientes distribuidas normalmente, y `z` se define como la suma de `x` e `y`. Luego, el modelo se ajusta a tres observaciones utilizando el muestreo Monte Carlo de la cadena de Markov (MCMC) y se imprimen los resultados.

Este código es mucho más conciso que los enfoques de programación tradicionales para modelos estadísticos, que implicarían escribir manualmente la función de probabilidad y el algoritmo de muestreo MCMC. La programación probabilística facilita la escritura de modelos estadísticos complejos y se centra en la tarea de modelado en lugar de en los detalles de implementación.