El aprendizaje federado (FL) ha surgido como una técnica prometedora para preservar la privacidad del usuario y garantizar la seguridad de los datos en contextos de aprendizaje automático distribuido, particularmente en aplicaciones de inteligencia en el borde y almacenamiento en caché en el borde. Reconociendo los desafíos prevalentes de datos desbalanceados y ruidosos que impactan la escalabilidad y la resiliencia, nuestro estudio introduce dos algoritmos innovadores diseñados para FL dentro de un marco de pares. Estos algoritmos tienen como objetivo mejorar el rendimiento, especialmente en entornos descentralizados y con recursos limitados. Además, proponemos un algoritmo de muestreo de Dirichlet con balanceo de clientes y garantías probabilísticas para mitigar problemas de sobre-muestreo, optimizando la distribución de datos entre los clientes para lograr un entrenamiento de modelo más preciso y confiable. Dentro de los detalles de nuestro estudio, empleamos 10, 20 y 40 dispositivos Raspberry Pi como clientes en un escenario práctico de FL, simulando condiciones del mundo real. Se implementó el conocido algoritmo FedAvg, permitiendo el entrenamiento de clientes en múltiples épocas antes de la integración de pesos. Además, examinamos la influencia del ruido en conjuntos de datos del mundo real, culminando en un análisis de rendimiento que subraya cómo nuestros métodos y investigaciones novedosos avanzan significativamente las técnicas de FL robustas y eficientes, mejorando así la efectividad general de las aplicaciones de aprendizaje automático descentralizado, incluyendo la inteligencia en el borde y el almacenamiento en caché en el borde.