El número de dispositivos de Internet de las Cosas (IoT) ha aumentado considerablemente en los últimos años, lo que ha resultado en un gran crecimiento de los ciberataques a la infraestructura de IoT. Como parte de un enfoque de defensa en profundidad para la ciberseguridad, los sistemas de detección de intrusiones (IDSs) han adquirido un papel clave en el intento de detectar actividades maliciosas de manera eficiente. La mayoría de los enfoques modernos de IDS en IoT se basan en técnicas de aprendizaje automático (ML). La mayoría de estos son centralizados, lo que implica el intercambio de datos de los dispositivos fuente a un servidor central para su clasificación. Esto presenta problemas potencialmente cruciales relacionados con la privacidad de los datos de los usuarios, así como desafíos en las transferencias de datos debido a sus volúmenes. En este artículo, evaluamos el uso del aprendizaje federado (FL) como un método para implementar la detección de intrusiones en entornos de IoT. FL es un método alternativo y distribuido a los modelos de ML centralizados, que ha despertado un gran interés en la detección de intrusiones en IoT recientemente. En nuestra implementación, evaluamos FL utilizando una red neuronal artificial (ANN) superficial como modelo compartido y el algoritmo de agregación de promedio federado (FedAvg). Los experimentos se completan en los conjuntos de datos ToN_IoT y CICIDS2017 en clasificación binaria y multiclase. La clasificación se realiza por los dispositivos distribuidos utilizando sus propios datos. No se comparte ningún dato entre los participantes, manteniendo la privacidad de los datos. En comparación con un enfoque centralizado, los resultados han demostrado que un IDS FL colaborativo puede ser una alternativa eficiente, en términos de precisión, recuperación y puntuación F1, convirtiéndolo en una opción viable como un IDS de IoT. Además, con estos resultados como referencia, hemos evaluado algoritmos de agregación alternativos, a saber, FedAvgM, FedAdam y FedAdagrad, en el mismo escenario utilizando el marco de FL de Flower. Los resultados de la evaluación muestran que, en nuestro escenario, FedAvg y FedAvgM tienden a funcionar mejor en comparación con los dos algoritmos adaptativos, FedAdam y FedAdagrad.