Este trabajo investiga el problema de la estimación de matrices de covarianza dispersas mientras que el conjunto de muestreo contiene información sensible, y se adoptan tanto el algoritmo diferencialmente privado como el algoritmo localmente diferencialmente privado para preservar la privacidad. Cabe destacar que el requisito de la suposición de distribución en nuestro trabajo es solo el momento acotado existente. Al mismo tiempo, reducimos los límites de error modificando el umbral de los algoritmos diferencialmente privados existentes. Finalmente, se presentan simulaciones numéricas y resultados de una aplicación de datos reales para respaldar nuestras afirmaciones teóricas.