En este trabajo se prueban varios estimadores de varianza basados en diferencias en el marco de la regresión no paramétrica. Estos estimadores tiene la principal ventaja de no depender de los parámetros de suavización, además de que son poco exigente en términos  computacionales. Se usan principalmente estimadores basados en diferencias ordinarias y basados en las diferencias óptimas de Hall. Se crean escenarios utilizando diferentes funciones de regresión, tamaños de muestra y distribuciones de los errores y se introduce el uso de la distribución semi-normal para probar los estimadores de varianza en casos de distribuciones asimétricas de los errores. Los resultados parecen apoyar la idea de que los estimadores basados en diferencias óptimas de Hall no son mejores en todos los escenarios planteados.We test several difference-based variance estimators in the nonparametric regression model. These estimators have the main advantage of not depending on the smoothing parameters. Furthermore, they also show low computational demand. We mainly use estimators based on ordinary differences, along with estimators based on Hall’s optimal differences. We set scenarios using some regression functions, some sample sizes, and some error distributions. In particular we bring in the use of the half-normal distribution to test the variance estimators under some asymmetric error distributions. Results seem to support the idea that the Hall’s optimal differences estimators not perform better than the others on all sets of scenarios.