A menudo, varias medidas geofísicas son sensibles a los mismos parámetros del subsuelo. En este caso, las inversiones conjuntas son preferidas en su mayoría sobre dos (o más) inversiones separadas de los conjuntos de datos geofísicos debido a la reducción esperada de la no unicidad en la solución inversa conjunta. Esta reducción puede ser cuantificada utilizando inversiones bayesianas. Sin embargo, los enfoques estándar de Monte Carlo de cadenas de Markov (MCMC) son computacionalmente costosos para la mayoría de los problemas inversos geofísicos. Presentamos el método generador de ensambles de Kalman (KEG) como una alternativa eficiente a los enfoques estándar de inversión MCMC. Como prueba de concepto, proporcionamos dos estudios sintéticos de inversión conjunta de datos de resistividad en corriente continua (DC) y electromagnéticos en dominio de frecuencia (FDEM) para un modelo de parámetros con variación vertical en la conductividad eléctrica. Para ambos estudios, los resultados conjuntos muestran una mejora considerable para el marco conjunto sobre las inversiones separadas. Esta mejora consiste en (1) una reducción de la incertidumbre en la función de densidad de probabilidad posterior y (2) una media de ensamble más cercana a las conductividades eléctricas verdaderas sintéticas. Finalmente, aplicamos la inversión conjunta KEG a datos de campo de resistividad DC y FDEM. Las inversiones conjuntas de datos de campo mejoran de la misma manera que se observó en los estudios sintéticos.