El aprendizaje federado promete una solución elegante para aprender modelos globales a través de conjuntos de datos distribuidos y protegidos por privacidad. Sin embargo, los desafíos relacionados con la distribución desigual de datos, recursos computacionales y de comunicación limitados, envenenamiento de datos y clientes que se aprovechan gratuitamente afectan el rendimiento del aprendizaje federado. La selección de los mejores clientes para cada ronda de aprendizaje es crítica para aliviar estos problemas. Proponemos un método de muestreo novedoso llamado técnica de muestreo de irrelevancia. Nuestro método se basa en definir un puntaje de irrelevancia que incorpora las características del cliente en un único valor flotante, que puede clasificar elegantemente al cliente en tres grupos definidos numéricamente para un muestreo fácil. Es una técnica de muestreo computacionalmente económica, intuitiva y preservadora de la privacidad que selecciona un subconjunto de clientes basado en la calidad y cantidad de datos en dispositivos periféricos. Logra una convergencia 50-80% más rápida incluso en distribuciones de datos altamente sesgadas en presencia de clientes que se aprovechan gratuitamente basados en la falta de datos y desequilibrio severo de clases bajo condiciones Independientes e Idénticamente Distribuidas (IID) y No-IID. Muestra un buen rendimiento en conjuntos de datos de aplicaciones prácticas.