La programación por demostración ha mostrado potencial para reducir las barreras técnicas en la enseñanza de habilidades complejas a los robots. Los primitivos de movimiento dinámico (DMPs) son un método eficiente para aprender trayectorias a partir de demostraciones individuales utilizando ecuaciones dinámicas de segundo orden. Pueden ser ampliados utilizando redes neuronales para aprender habilidades más largas y complejas. Sin embargo, la longitud y complejidad de una habilidad pueden venir con compensaciones en términos de precisión, el tiempo requerido por los expertos y la flexibilidad de la tarea. Este artículo compara los DMPs neuronales que aprenden de una demostración completa con aquellos que aprenden de subtareas más simples para un escenario de vertido en un marco que requiere pocas demostraciones. Si bien ambos métodos tuvieron éxito en completar la tarea, encontramos que los modelos entrenados utilizando subtareas son más precisos y tienen más flexibilidad en la tarea, pero pueden requerir una mayor inversión por parte del experto humano.