Este trabajo propone un marco de Aprendizaje por Demostración basado en Primitivas de Movimiento Dinámico (DMPs) que podría ser adoptado de manera efectiva para planificar actividades complejas en robótica, como las que se realizan en dominios agrícolas, y evitar la discontinuidad de orientación durante el aprendizaje del movimiento. El enfoque recurre a la teoría de Lie e integra en las ecuaciones de DMP la función exponencial y el logaritmo, que convierte cualquier elemento del grupo de Lie en un elemento del espacio tangente y viceversa. Además, incluye una parametrización dinámica para los elementos del espacio tangente para gestionar la discontinuidad del logaritmo. El enfoque propuesto fue probado en el robot Tiago durante la realización de cuatro actividades agrícolas, como cavar, sembrar, regar y cosechar. Los resultados obtenidos se compararon con los alcanzados utilizando la formulación original de los DMP y demostraron la alta capacidad del método propuesto para gestionar la discontinuidad de orientación (la tasa de éxito fue del 100 % para todas las poses probadas).