Aprender habilidades a partir de demostraciones kinestésicas es una forma prometedora de minimizar la brecha entre las habilidades de manipulación humana y las de los robots. Proponemos un enfoque para aprender habilidades de interacción de fuerza secuencial a partir de tales demostraciones. Las demostraciones se descomponen en un conjunto de primitivas de movimiento al inferir la estructura secuencial subyacente de la tarea. La descomposición se basa en una nueva distribución de probabilidad que llamamos Distribución Normal Direccional. La distribución permite inferir la composición de la primitiva de movimiento, es decir, sus marcos de coordenadas, variables de control y coordenadas objetivo a partir de las demostraciones. Además, permite determinar un número apropiado de primitivas de movimiento para una tarea a través de la selección de modelos. Después de encontrar la composición de la tarea, el sistema aprende a secuenciar las primitivas de movimiento resultantes para poder reproducir la tarea en un robot real. Evaluamos el enfoque en tres tareas diferentes: desenroscar una bombilla, apilar cajas y voltear cajas. Todas las tareas se demuestran kinestésicamente y luego se reproducen en un robot Barrett WAM.