El rápido aumento en el volumen y la variedad de datos dentro del campo del aprendizaje automático exige la utilización ética de los datos y el cumplimiento de estrictos estándares de protección de la privacidad. El aprendizaje federado justo (FFL) ha surgido como una solución fundamental para garantizar la equidad y la protección de la privacidad en entornos de aprendizaje distribuido. FFL no solo mejora las salvaguardias de privacidad, sino que también aborda las limitaciones inherentes de los sistemas de aprendizaje federado (FL) existentes al fomentar un entrenamiento de modelos equitativo entre diversos grupos de participantes, mitigando la exclusión de usuarios individuales o minorías, y mejorando la equidad general del modelo. Este estudio examina las causas de sesgo y equidad dentro de los sistemas de FL existentes y categoriza las soluciones según estrategias de partición de datos, mecanismos de privacidad, modelos de aprendizaje automático aplicables, arquitecturas de comunicación y tecnologías diseñadas para gestionar la heterogeneidad. Para mitigar el sesgo, mejorar la equidad y fortalecer las protecciones de privacidad en FL, este estudio también explora métricas de evaluación de equidad, aplicaciones relevantes y desafíos asociados con FFL. Abordar las preocupaciones de sesgo, equidad y privacidad en todos los mecanismos sirve como un recurso valioso para los profesionales que buscan desarrollar soluciones de FL eficientes.