ISSN 2175-6295 SPOLM 2009

Rio de Janeiro- Brasil, 05 e 06 de agosto de 2009

059/2009 - UMA APLICAO DA TEORIA DE GRAFOS EM REDES

COMPLEXAS: ESTUDO DE CASO DO MERCADO DE AES DA BOVESPA
Leonardo Silva de Lima Centro Federal de Educao Tecnolgica CEFET-RJ Av. Maracan, 229 Maracan - RJ llima@cefet-rj.br Eduardo Bezerra Centro Federal de Educao Tecnolgica CEFET-RJ Av. Maracan, 229 Maracan - RJ ebezerra@cefet-rj.br Thiago Attias Centro Federal de Educao Tecnolgica CEFET-RJ Av. Maracan, 229 Maracan RJ thiagoattias@yahoo.com.br

RESUMO A obteno de informaes no-triviais em redes complexas modeladas por grafos possvel com a utilizao de conceitos da teoria dos grafos. Propriedades estruturais do problema real podem ser obtidas a partir de caractersticas topolgicas da rede. Neste artigo, o grafo de mercado que representa as inter-relaes de um subconjunto dos ativos da BOVESPA exibido e algumas propriedades dessa rede so discutidas. Verificamos que a seqencia de graus o grafo de mercado da BOVESPA pode ser aproximado segundo a Lei de Potncias. PALAVRAS CHAVE. Redes complexas. Grafo de mercado. Grafo Lei de potncia. ABSTRACT Complex networks can be modeled by graphs in order to obtain useful information about the real problem. Structural properties of the real problem can be obtained by topological characteristics of the graph, such as vertex degree and betwenness centrality. In this paper, the market graph corresponding to the relationship between some stocks of the Brazilian stock market, BOVESPA, is represented. We verify that the sequence degree of the market graph can be approximated by the power law model. KEYWORDS. Massive networks. Market graph. Power law graph

1. Introduo Nos ltimos anos, a rea de Redes Complexas tem atrado o interesse de diversos pesquisadores, em diferentes campos do conhecimento (Barabsi & Albert, 1999; Bianconi & Barabsi, 2001; Albert & Barabsi, 2002; Barabsi & Bonabeau, 2003). Em essncia, este ramo de pesquisa estuda os relacionamentos entre redes de objetos. Resultados obtidos recentemente indicam que os mecanismos de formao dessas redes complexas so comuns em diferentes domnios, desde redes de interaes entre protenas, redes de biotecnologia, passando por redes sociais, at a formao da prpria Internet (Newman, 2003; Newman, 2005). O aumento significativo de informao emprica sobre diversas redes complexas tm permitido o avano no estudo sobre quais so seus mecanismos de formao. Em particular, um resultado importante deste ramo de pesquisa a constatao de que muitas redes complexas, naturais ou artificiais, possuem uma propriedade topolgica no-trivial. Um dos primeiros trabalhos realizados com o intuito de prever o comportamento de redes complexas foi o de (Erdos & Reny, 1959), que definiram os grafos uniformemente aleatrios. Nesse caso, para um dado nmero de vrtices n, o nmero de arestas m desse grafo escolhido aleatoriamente e cada possvel valor de m tem a mesma probabilidade de ocorrer. (Bollobs, 1985) definiu outro modelo de grafos aleatrios, onde, fixados o nmero de vrtices n e a probabilidade de conexo entre dois vrtices p, o nmero de arestas do grafo dado por uma distribuio binomial. Entretanto, quando n cresce, a distribuio dos graus dos vrtices pode ser aproximada por uma distribuio de Poisson com mdia np. Foi verificado empiricamente que este ltimo modelo captura boas propriedades relacionadas com o surgimento de componentes conexas gigantes na rede. Entretanto, h significativa diferena entre os grafos obtidos pelos modelos descritos anteriormente, na tentativa de representar grafos da vida real. A principal diferena est associada distribuio dos graus dos vrtices do grafo. Os experimentos empricos mostram que, em diversos grafos utilizados na modelagem de problemas da vida real, a distribuio dos graus dos vrtices desses grafos segue o modelo da Lei de Potncias (Power Law) (Clauset et al., 2009). Como exemplo, podemos citar os trabalhos de (Abello et al., 1999) e (Aiello et al., 2001) que definiram o chamado Call Graph, um grafo onde os vrtices representam nmeros telefnicos e dois vrtices so conectados no grafo caso tenha ocorrido uma chamada de um nmero para o outro num certo perodo de tempo. Estes autores mostraram que a distribuio dos graus dos vrtices no Call Graph segue a Lei de Potncias. (Boginski et al., 2005b) definiram um grafo, denominado Market Graph, representando as inter-relaes dos ativos da bolsa de valores dos EUA e provaram que a distribuio de graus dos vrtices deste grafo tambm obedece a Lei de Potncias. Para obter detalhes sobre outras aplicaes, o leitor convidado a consultar as referncias a seguir: (Adamic et al., 2001; Kleinberg, 2000a; Kleinberg, 2000b et al; LibenNowell et al., 2005). Neste artigo, apresentamos um estudo realizado sobre a base de dados de algumas aes da Bolsa de Valores de So Paulo (BOVESPA). Nosso objetivo foi caracterizar e compreender a base de dados de alguns ativos sob a luz da rea de Redes Complexas. As principais contribuies deste trabalho esto listadas a seguir: A primeira contribuio diz respeito originalidade do artigo, pois nenhum trabalho relacionando a teoria dos grafos e o mercado de aes brasileiro foi encontrado; Verificamos que a distribuio dos graus dos vrtices do grafo de mercado das aes da bolsa de valores BOVESPA pode ser aproximada por um modelo de Lei de Potncia; Analisamos as alteraes sofridas pelo grafo de mercado da BOVESPA durante o perodo de tempo de surgimento da crise financeira internacional, e fornecemos uma possvel explicao para o comportamento encontrado.

Este artigo se encontra estruturado em sees, conforme a seguir. Nas Sees 2 e 3, so apresentadas uma viso geral da rea de Teoria de Grafos e Redes Complexas, respectivamente,

com o objetivo de fornecer um contexto terico para as prximas sees. Na Seo 4, o procedimento que utilizamos para formao do grafo de aes da BOVESPA descrito. A Seo 5 descreve os experimentos realizados sobre esse grafo e uma anlise dos resultados obtidos apresentada. Finalmente, apresentamos as concluses deste trabalho e sugestes para sua continuidade. 2. Conceitos bsicos em Teoria dos Grafos Uma rede um conjunto de itens conectados entre si por um tipo de relacionamento de alguma natureza. Formalmente, uma rede complexa pode ser modelada como um grafo no qual os vrtices correspondem aos itens da rede, e as arestas correspondem aos relacionamentos. Neste artigo os grafos que modelam as redes complexas so grafos simples (sem arestas mltiplas e sem laos) e no-direcionados, denotados por G=(V,E), onde V o conjunto de vrtices tal que |V|=n e E o conjunto de arestas de modo que |E|=m. O grau de um vrtice vi , denotado por d(vi), dado pelo nmero de arestas incidentes a ele. A seqncia de graus de um grafo G denotada por d(G) = (d(v1),..., d(vn)), onde d(v1) d(v2) ... d(vn). Apesar de um grafo no ser determinado de maneira nica a partir da sua sequncia de graus, a distribuio dos graus uma importante caracterstica do grafo. Um grafo dito completo se tem todas as ligaes possveis. A densidade de arestas de um grafo dada pela razo entre o nmero de arestas do grafo pelo nmero de arestas do grafo completo. Considere o subconjunto S V, denotado por G(S), definido como o subgrafo S de G. O subconjunto C V, denotado por G(C), uma clique se G(C) um grafo completo, isto , tm todas as arestas possveis. conhecido na literatura que o problema de determinar clique maximal de um grafo um problema computacionalmente difcil, Garey e Jonhson (1979). Uma quasi-clique, denotado por -clique ou C , um subconjunto C de V tal que G(C) tem no mnimo [ q(q 1)/2] arestas, onde q a cardinalidade de C. Um conjunto independente um subconjunto I V tal que o subgrafo G(I) no possui arestas. O problema do mximo conjunto independente em G pode ser reformulado como o problema da clique mxima no grafo complementar . De modo anlogo, o problema de encontrar a clique mxima no grafo G corresponde a determinar o mximo conjunto independente em . Este fato facilmente verificado, pois se uma aresta (i, j ) E, ento (i, j ) , e a recproca verdadeira. Obviamente, uma clique mxima em G o mximo conjunto independente em . Assim, os problemas de determinar uma clique mxima e um mximo conjunto independente esto intimamente relacionados. Portanto, o problema de determinar conjunto independente mximo tambm um problema difcil. (Boginski et al., 2005b) utilizaram os conceitos de conjunto independente e quasi-cliques como estratgias de diversificao de investimentos num grafo representativo do mercado de aes dos EUA. Nosso intuito utilizar estas definies para extrair informaes do mercado de aes brasileiro. Vale ressaltar que nenhum trabalho com metodologia similar desenvolvido no mercado de aes brasileiro foi encontrado, o que constitui uma contribuio deste artigo. 3. Redes Complexas Redes complexas so chamadas de livres de escala (scale free) quando a distribuio dos graus de seus vrtices segue uma Lei de Potncia (Mitzenmacher, 2004). Leis de potncia existem em muitas formas, e na verdade formam uma famlia de distribuies. Entretanto, para esse trabalho, vamos nos concentrar em uma delas, a chamada distribuio zeta (Clauset et al., 2009). Seja a probabilidade de um vrtice selecionado, uniformemente ao acaso, do grafo G possuir grau . Se os graus dos vrtices em G esto de acordo com essa distribuio, ento

Algumas propriedades interessantes da distribuio zeta so apresentadas a seguir: 1. , ou seja, ao contrrio de outras distribuies (e.g., Poisson), em um grafo cujos graus dos vrtices seguem a distribuio zeta, no existem vrtices isolados.

2. O grfico da distribuio zeta possui uma cauda pesada, o que resulta em valores de probabilidade no nulos, mesmo para valores de que difiram muito da mdia. 3. A funo de distribuio de probabilidades precisa ser normalizada: a constante de normalizao da funo de distribuio, , onde C

Uma forma de averiguar se uma coleo de dados empricos coletados segue a distribuio zeta desenhar o grfico log-log desses dados. Se esses dados estiverem de acordo com a distribuio zeta, a forma do grfico log-log ser aproximadamente uma reta com coeficiente angular negativo. 4. Formao do grafo de mercado da BOVESPA Nesta Seo, apresentamos o procedimento que utilizamos para formar um grafo a partir da base de dados histrica de aes da BOVESPA. Na construo desse grafo de aes, consideramos cada ativo da bolsa de valores como um de seus vrtices. Alm disso, uma aresta definida entre dois ativos i e j se h uma correlao entre os retornos dirios dos ativos cujo valor maior que um limite definido empiricamente (na seo 5 descrevemos o valor utilizado para este limite). Considere Pi (t) como o preo de fechamento do ativo i no dia t. Seja Ri(t) o logaritmo de retorno da ao i em um determinado dia t: Ri(t)=ln (Pi(t)/Pi(t1)). A correlao Ci,j, entre dois ativos i e j, definida pela expresso: , (3.1) onde <Ri> definido como a mdia simples dos retornos da ao i no perodo de N dias. Para um valor pr-determinado do parmetro , uma aresta inserida entre dois vrtices i e j caso esperado que a densidade de arestas do grafo de mercado dependa das variaes de . Mais especificamente, espera-se que quanto maior o valor deste parmetro, menor seja a densidade do grafo. Na Seo 5, realizamos experimentos para validar e analisar essa intuio. A identificao de cliques no grafo de mercado pode ser vista como a identificao de agrupamentos ou clusters de ativos fortemente correlacionados. Ativos pertencentes a uma mesma clique podem ser vistos como um conjunto de aes cujos preos variam de modo similar, ou seja, se o preo de um ativo vi sobe (desce), h indcios de que o preo de um ativo vj da mesma clique que vi tambm possa subir (descer). Portanto, investir em aes de um mesmo cluster no uma boa estratgia de diversificao. Na realidade, investir em aes que faam parte de um conjunto independente no grafo de mercado uma estratgia consistente de diversificao. 5. Resultados Experimentais Para execuo do estudo de caso proposto neste trabalho, foi necessrio coletar dados histricos de determinadas aes que so negociadas na BOVESPA. Foram selecionadas todas as aes que possuam a base de dados completa no perodo analisado. Isto , todas as aes no negociadas na BOVESPA no incio do perodo analisado foram desconsideradas. Esse procedimento de seleo resultou em um total de 131 ativos distintos. A fonte dos dados utilizada foi o prprio portal da instituio financeira, que disponibiliza, dentre outras informaes, os valores de

fechamento, percentual de valorizao e o volume de negociaes dirias, de todas as aes negociadas. O perodo escolhido para a anlise foi de 02/01/2006 at 31/10/2008, contemplando 701 dias teis. A partir dos valores de fechamento, uma srie de 700 retornos dirios de preo foi gerada, para o intervalo em estudo. A apresentao dos resultados foi estruturada fragmentando o universo dos dados coletados em 7 perodos de 400 dias, que diferem entre si por um intervalo de 50 dias, ou seja, cada perodo ( exceo do ltimo) possui 350 dias em comum e 50 diferentes em relao ao perodo consecutivo. Alm dos 7 perodos, tambm foi criado um grafo de mercado considerando os 700 valores de retorno dirio em um nico perodo de anlise; na Figura 1, esse grafo apresentado como perodo 8. Este grafo foi desenvolvido para fins de comparao da densidade de arestas, mdia dos coeficientes de correlao e tamanho da maior em clique dos grafos dos perodos de 1 a 8. A anlise experimental foi realizada para todos os perodos. Para cada um dos perodos de tempo, geramos um grafo, de acordo com o procedimento descrito na Seo 4. Na BOVESPA, ocorre que nem todos os ativos so negociados em todos os dias. Isso se reflete na base de dados histricos que utilizamos nos experimentos. Quando isso ocorre, consideramos o preo de fechamento do ativo em questo como igual ao preo de fechamento do dia til anterior. A Tabela 1 resume os resultados para os grafos de mercado obtidos a cada perodo. Observe que no h diferenas significativas para densidade de arestas dos grafos nos perodos de 1 a 6, mas h um aumento expressivo no valor da densidade de arestas no perodo 7. Este abrange parte do perodo da atual crise econmica internacional, crise esta que promoveu grandes mudanas nas relaes entre os ativos do mercado acionrio brasileiro. Neste perodo, diversos ativos apresentaram uma correlao bastante significativa com diversos outros, aumentando assim o nmero de arestas no grafo de mercado e, consequentemente, o valor da densidade de arestas. Este resultado pode ser explicado pelo efeito domin ocorrido em funo da crise, que levou diversos papis a oscilarem juntos em um determinado perodo.

Data Incio Perodo 1 02/01/06 2 3 4 5 6 7 8 17/03/06 31/05/06 10/08/06 23/10/06 09/01/07 23/03/07 02/01/06

Data Trmino 15/08/07 26/10/07 15/01/08 31/03/08 12/06/08 22/08/08 31/10/08 31/10/08

Mdia das Correlaes 0.1320 0.1308 0.1330 0.1402 0.1407 0.1379 0.1928 0.1580

Densidade de Aresta 0.0182 0.0166 0.0187 0.0195 0.0198 0.0134 0.0521 0.0267
.

Grau da Maior Clique 9 7 8 8 9 6 15 8

Tab. 1. Dados do grafo de mercado para os perodos analisados com

Na Figura 1, os grafos de mercado obtidos para os perodos estudados so representados. Os grafos foram gerados a partir do software PAJEK [Batagelj & Mrvar, 1996], que est disponvel gratuitamente na internet. Observe que ao centro de cada grafo, a densidade de arestas maior, pois as cliques maximais esto representadas nesta regio.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

Fig.1. Grafos de mercado gerados, para (f) perodo 6, (g) perodo 7 e (h) perodo 8.

. (a) perodo 1, (b) perodo 2, (c) perodo 3, (d) perodo 4, (e) perodo 5,

A Figura 2 mostra os grficos log-log de distribuio de grau dos vrtices dos grafos da Figura 1. A Figura 2(h) apresenta o grfico log-log obtido para o grafo construdo considerando todos os 700 retornos dirios em um mesmo perodo de anlise. Verifica-se, que em todos os perodos, o resultado apresentado pode ser aproximado pelo modelo de Lei de Potncias.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)
. (a) perodo 1, (b) perodo 2, (c) perodo 3,

Fig.2. Distribuio de grau do grafo de mercado para diferentes perodos, sendo (d) perodo 4, (e) perodo 5. (f) perodo 6, (g) perodo 7 e (h) perodo 8.

Na Tabela 2, so apresentados os ativos que compem as maiores cliques. Observe que nos perodos 2, 3, 4 e 5, h mais de uma clique mxima. As cliques foram calculadas a partir de [Dharwadker, 2006]. 1 BRTO4 BRTO4 2 BRTO4 3 BRTO4 BRTP4 BRTP4 CSNA3 BRTP4 CSAN3 CSNA3 GGBR4 CSNA3 ELET3 ITSA4 ITSA4 GGBR3 ELET6 PETR3 PETR3 GGBR4 ITAU4 PETR4 PETR4 GOAU4 TMAR5 TNLP4 USIM5 USIM5 USIM5 ITSA4 KLBN4

4 5 6 7 8

BRTO4 BRTO4 BRTO4 BRTO4 GGBR3 BRTO4 CLSC6 CLSC6 BRKM5 BRKM5 LREN3 BRKM5

CSNA3 BRTP4 CPLE6 BRTP4 GGBR4 GGBR3 CPFE3 CPFE3 CPFE3 BRTO4 NETC4 BRTO4

GGBR3 CPLE6 CSNA3 CSNA3 GOAU3 GGBR4 CPLE6 CPLE6 CPLE6 BTOW3 POMO4 BRTP4

GGBR4 CSNA3 GGBR3 GGBR3 GOAU4 GOAU3 CRUZ3 CRUZ3 CYRE3 CPFE3 TCSL4 CPLE6
.

GOAU3 GGBR3 GGBR4 GGBR4 ITSA4 GOAU4 GGBR3 GGBR4 ITSA4 CPLE6 UGPA4 ITSA4

GOAU4 GGBR4 GOAU3 GOAU4 KLBN4 ITSA4 GGBR4 GOAU3 SDIA4 CYRE3 VCPA4 TCSL4

ITSA4 GOAU4 GOAU4 TMAR5 PETR3 KLBN4 GOAU3 GOAU4

KLBN4 ITSA4 ITSA4 TNLP4 PETR4 PETR4 GOAU4 ITSA4 ITSA4 SDIA4 KLBN4

DURA4 ITSA4 TMAR5 TNLP4

Tab. 2. Ativos contidos na maior clique para

A Tabela 2 e a Figura 2 indicam uma forte correlao entre os ativos listados em uma mesma clique. Isto significa que seu percentual de valorizao diria, positiva ou negativa, durante o perodo analisado foi bastante similar. Com isso, no seria indicado durante a elaborao de uma carteira de aes diversificada, a incluso de diversos papis de uma mesma clique, visto que em caso de queda de um ativo, a tendncia seria que todos acompanhassem sua trajetria de desvalorizao. Considerando o exposto, por exemplo, no seria interessante, incluirmos os ativos BRTO4, BRTP4, ELET6 e ITAU4, em uma mesma carteira vlida para o perodo 1, composta por 6 ativos.

Valor de 0.30 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.80

Densidade de Arestas 0.1114 0.0422 0.0267 0.0170 0.0139 0.0122 0.0111 0.0110 0.0098
. Grfico 3: Valor de vs. Densidade de arestas.

Tabela 3: Densidade de arestas para diferentes valores de

A Tabela 3 e o Grfico 3 apresentam as densidades de arestas para diferentes valores de no perodo 8. Podemos perceber que, conforme esperado, quanto maior o valor de , menor o valor da densidade de arestas durante o perodo analisado.

6. Concluses Neste trabalho, realizamos um estudo emprico sobre a formao de redes complexas na base de dados histrica da Bolsa de Valores de So Paulo. Atravs de um procedimento que considera correlaes entre os preos de fechamento dos ativos estudados, diversos grafos de mercado foram gerados para diferentes perodos de tempo. Em cada um desses grafos, constatamos que os graus dos vrtices seguem uma distribuio prxima da Lei de Potncias. Em particular, analisamos o grafo de mercado correspondente ao perodo de surgimento da crise financeira internacional, e sua estrutura significativamente diferente dos grafos correspondentes aos perodos anteriores. Identificamos tambm as cliques e as correspondentes componentes independentes dos grafos estudados; essas estruturas so importantes, pois permitem a criao de carteiras de investimento mais diversificadas, que levem em conta a estrutura de correlao entre os vrtices do grafo de mercado. Este estudo ainda preliminar e com resultados parciais, j que a base de dados de ativos utilizada pode ser ampliada. Entretanto, h grande dificuldade de utilizao da base de dados completa porque h diversos ativos que em dias especficos do perodo analisado no apresentaram negociao e por isso no puderam entrar em nossa anlise. Nesse estudo inicial, utilizamos um valor fixo do parmetro para a gerao dos diversos grafos de mercado, analisados nos experimentos. Conforme descrito na Seo 4, esse parmetro limita a formao de arestas entre vrtices do grafo de mercado, determinando em ltima anlise sua densidade de arestas: quanto maior o valor de , menos arestas so formadas no grafo em questo. Em um trabalho futuro, pretendemos investigar os possveis valores de que podem ser adotados e as consequncias da alterao do valor deste parmetro na formao dos grafos de mercado. Outra oportunidade de continuidade desse trabalho estudar mais detalhadamente o mecanismo que leva formao dos chamados hubs da rede complexa, ou seja, vrtices do grafo de mercado que possuem grau significativamente maior que os demais. Esses vrtices correspondem a ativos que possuem alta correlao com a maioria dos demais ativos. Em particular, uma questo em aberto nesse contexto diz respeito s condies de surgimento desses vrtices ao longo do tempo. Referncias Abello, J., Pardalos, P., and Resende, M. (1999), On Maximum Clique Problems in Very Large Graphs. In DIMACS Series, 50, American Mathematical Society , pp. 119130. Adamic, Lada A., Lukose, Rajan M., Huberman, Bernardo & Puniyani, Amit R., 2001, Search in Power-Law Networks, Phys. Rev. E, 64 46135. Aiello, W., Fan, C., Lu, L. (2000), A Random Graph Model for Massive Graphs. Proc. 32nd ACM Symposium on Theory of Computing (STOC), pp.171-180. Albert, R. e Barabsi, A.-L. (2002), Statistical mechanics of complex networks. Reviews of Modern Physics 74, 47-97. B. Bollobs. (1985). Extremal Graph Theory, Academic Press, London. Barabsi, A.-L. e Bonabeau, E. (2003), Scale-free networks. Scientific American 288, 60-69. Barabsi, A.-L. e Albert, R. (1999), Emergence of scaling in random networks, Science 286, 509-512. Batagelj, Vladimir, Mrvar, Andrej (1996), Pajek Program for Large Network Analysis, disponvel em: http://mrvar.fdv.uni-lj.si/sola/info4/programe.htm. Acesso em 08/05/2009. Bianconi, G. e Barabsi, A.-L. (2001), Competition and multiscaling in evolving networks,

Europhysics Letters 54, 436-442. Boginski, V., Butenko, S., Pardalos, P. M. (2005a), Statistical analysis of financial networks. Computational Statistics and Data Analysis 48(2):43143. Boginski, V., Butenko, S., Pardalos, P. M. (2005b), Mining market data: A network approach, Computers & Operations Research 33, p. 3171-3184. Clauset, A., Shalizi, C. R. & M. E. J. Newman (2009), Power-law distributions in empirical data, SIAM Review. Dharwadker, Ashay. (2006), The Clique http://www.dharwadker.org/clique. Acesso em 08/05/2009. Algorithm, disponvel em:

Erds, P., Rnyi, A. (1959). On Random Graphs. I., Publ. Math., pp. 290-297. Garey, M., R., Johnson, D., S. (1979), Computers and Intractability, A Guide to the Theory of NP-Completeness. Kleinberg, Jon, (2000a), The small-world phenomenon: An algorithmic perspective, Proc. 32nd ACM Symposium on Theory of Computing (STOC). Kleinberg, Jon, (2000b), Navigation in a Small World, Nature 406 (2000), 845. Liben-Nowell, D., Novak, J., Kumar, R., Raghavan, P., & Tomkins, A., Geographic Routing in Social Networks, Proc. of the National Academy of Sciences (PNAS), 102(33):11623-11628, August 2005. Mitzenmacher, M. (2004), A Brief History of Generative Models for Power Law and Lognormal Distributions. Internet Mathematics, Vol 1, No. 2, pp. 226-251. Newman, M. E. J. (2003), The structure and function of complex networks. SIAM Review 45, 167-256. Newman, M. E. J. (2005), Power laws, Pareto distributions and Zipf's law. Contemporary Physics 46, 323-351.