Cet exposé abordera l'estimation de densités prédictives, bayésiennes ou non, et leur efficacité telle que mesurée par le risque fréquentiste. Pour les coûts Kullback-Leibler, $\alpha-$divergence et $L_1$ intégrée, nous passons en revue des résultats récents mettant en évidence des améliorations sur des densités-cible, dont la meilleure densité équivariante, en procédant par expansion d'échelle et des relations de dualité avec des problèmes d'estimation et de prédiction ponctuelle. Plusieurs modèles sont étudiés dont des lois normales multivariées avec une structure de covariance connue et inconnue, des mélanges de lois normales, des lois Gamma et des modèles avec des restrictions sur l'espace des paramètres.