La programmation probabiliste permet aux utilisateurs d'exprimer leurs modèles de manière plus déclarative, rendant le code plus lisible et maintenable. Voici un exemple :

```python

importer numpy en tant que np

importer pymc3 en tant que pm

Définir le modèle

modèle =pm.Modèle()

Définir les 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)

Définir les observations

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

Ajuster le modèle aux observations

trace =model.sample (dessins =1000, chaînes =4)

Imprimer les résultats

imprimer (tracer)

```

Ce code définit un modèle probabiliste simple avec trois variables, « x », « y » et « z ». Les variables « x » et « y » sont définies comme des variables aléatoires indépendantes normalement distribuées, et « z » est défini comme la somme de « x » et « y ». Le modèle est ensuite ajusté à trois observations à l'aide d'un échantillonnage par chaîne de Markov Monte Carlo (MCMC), et les résultats sont imprimés.

Ce code est beaucoup plus concis que les approches de programmation traditionnelles pour les modèles statistiques, qui impliqueraient l'écriture manuelle de la fonction de vraisemblance et de l'algorithme d'échantillonnage MCMC. La programmation probabiliste facilite l'écriture de modèles statistiques complexes et permet de se concentrer sur la tâche de modélisation plutôt que sur les détails de mise en œuvre.