O Aprendizado Federado (FL) permite que dispositivos com recursos limitados treinem um modelo global de aprendizado de máquina. Neste paradigma, os dados são mantidos nos próprios dispositivos e um servidor é responsável pela agregação dos gradientes dos modelos locais. No contexto das redes sem fio, os recursos limitados e a natureza não confiável inerente ao meio de transmissão podem introduzir atrasos e erros que comprometem a regularidade da atualização do modelo global. Dessa forma, este trabalho apresenta uma estratégia de FL denominada DFed-wOpt que considera tanto os requisitos do treinamento federado quanto de uma rede sem fio no âmbito da Internet das Coisas. Para minimizar a função de perda, DFed-wOpt seleciona um subconjunto de dispositivos com a maior quantidade de dados para o treinamento dos modelos locais. Em seguida, DFed-wOpt maximiza a probabilidade de sucesso da transmissão dos modelos atendendo uma política de latência de comunicação e consumo energético. Os resultados da simulação mostram que DFed-wOpt aumenta a quantidade de transmissões de modelos e a acurácia do modelo global com relação a outras estratégias da literatura.