TLDR；后验概率就是贝叶斯定理输出的条件概率。它没有什么特别之处，它与任何其他条件概率没有什么不同，它只是有自己的名字。

贝叶斯定理是关于获得一个条件概率，给定另一个和先验，$P(A|B)$$P(B|A)$$P(A)$

$$\underbrace{P(A|B)}_\text{posterior}=\frac{P(B|A)\,\overbrace{P(A)}^\text{prior}}{P(B)}$$

所以在方程中，我们有两个随机变量和以及它们的条件概率和边际概率，仅此而已。先验是 “之前”学习的概率，而后验是 “之后”学习的概率，其中“之前”和“之后”是指您的过程计算概率，而不是任何时间顺序。命名约定是左侧是后验，而先验出现在右侧。使用贝叶斯定理，您可以轻松地来回切换边$A$$B$$P(A)$$A$$B$$P(A|B)$$A$$B$（这就是定理的重点）。通常的用例是当您只知道和，但您不知道并想了解它时。在这里你可以找到贝叶斯定理这种用法的好例子。$P(B|A)$$P(A)$$P(A|B)$

具体案例是贝叶斯推理，我们使用贝叶斯定理来学习给定数据的感兴趣参数的分布，即获得后验分布。这是通过查看似然函数（查看您收集的“证据”）和先验（查看数据之前假设$\theta$$X$ $f(\theta|X)$$\theta$

$$\underbrace{f(\theta|X)}_\text{posterior}=\frac{\overbrace{f(X|\theta)}^\text{likelihood}\,\overbrace{f(\theta)}^\text{prior}}{\underbrace{f(X)}_\text{normalizing constant}}$$

贝叶斯定理的这种用法最基本的例子是beta-binomial 模型，但贝叶斯推理不仅仅是关于抛硬币的概率，例如，您可以使用它来进行回归分析和许多其他甚至更复杂的模型。

要评论您的最后一个问题：

“后验”与事件的年表（它们在时间上发生的顺序）无关吗？

一点也不。您可以问一个有效的概率问题是逆时间顺序，例如“考虑到地面是湿的，早上下雨的概率是多少？”。