Aktuelle Informationen bezüglich des Coronavirus

  • 2G für Studierende – geimpft oder genesen: Zutritt zu den Gebäuden der TUM haben nur Studierende und Besucher*innen, die nachweislich geimpft oder genesen sind.
  • Bei Präsenzprüfungen gilt 3G-Plus: Teilnehmen können nur Studierende, die geimpft, genesen oder negativ getestet sind. Als Test gilt hierbei nur ein negativer PCR-Test, der nicht älter als 48 Stunden ist. Details für Studierende
  • Studium und Lehre: Details zu Studium, Lehre und Prüfungen
  • 3G plus für Beschäftigte am Arbeitsplatz: Zutritt zu den Gebäuden der TUM haben nur Beschäftigte, die nachweislich geimpft, genesen oder negativ PCR-getestet sind. Details für Mitarbeitende
  • Hygiene: Es besteht FFP2-Maskenpflicht in allen Räumen und Gebäuden. Details für Studierende und Mitarbeitende
  • Homeoffice: Bei Büroarbeiten oder vergleichbaren Tätigkeiten ist grundsätzlich die Möglichkeit zum Arbeiten im Homeoffice anzubieten. Beschäftigte müssen das Angebot annehmen. Details in den FAQ der Personalabteilung

Umfangreiche Informationen finden Sie unter tum.de - Coronavirus: Aktuelles.

Sie haben Fragen bezüglich Ihres Mathematik-Studiums? Informieren Sie sich unter Corona - Studium und den Webseiten unter Studium, die wir regelmäßig für Sie aktualisieren.

tum.de - Coronavirus: Aktuelles

Aktuelles an der Fakultät für Mathematik

Events

  • 6. Dezember 2021 15:00 – 16:00 Dr. Merten Stender: Recurrence-based nonlinear time series analysis
  • 13 December 2021 16:30 – 17:30 Guilherme Henrique de Paula Reis (TUM): TBA
  • 24 November 2021 12:30 – 13:30 Niels Richard Hansen (University of Copenhagen): Conditional independence testing based on partial copulas
  • 13. Dezember 2021 15:00 – 16:00 Dr. Tommaso Rosati: The Allen-Cahn equation with generic initial datum
  • 15. Dezember 2021 12:30 – 13:30 Dennis Leung (University of Melbourne): ZAP: z-value adaptive procedures for false discovery rate control with side information
  • 16. Dezember 2021 17:00 – 18:00 Simon Gottschalk (UniBw München): Reinforcement Learning and Classical Optimal Control - Links and Synergies